Sempre più persone chiedono a ChatGPT, Gemini o Perplexity cosa comprare. Non per tutto, non sempre, ma il comportamento cresce. E quando succede, il tuo prodotto o entra nella risposta dell’assistente, o non esiste — non c’è una seconda pagina di Google da scrollare, c’è una risposta sola.
La domanda operativa, allora, è precisa: cosa deve esserci nella tua scheda prodotto perché un LLM la trovi, la capisca e la citi? Per rispondere bisogna prima capire come un LLM arriva ai dati di un prodotto. Perché il modo in cui cerca decide cosa devi scrivere.
Come fa un LLM a trovare un prodotto
Non c’è un solo meccanismo. Oggi un assistente AI può arrivare al tuo catalogo in tre modi diversi, spesso combinati.
Retrieval da un indice strutturato. L’LLM interroga un dataset di prodotti già normalizzato: un feed, un catalogo standardizzato come Shopify Catalog, un database di e-commerce esposto via API. Qui il modello non “legge” il tuo sito: interroga una tabella di attributi. Se i tuoi dati sono in quella tabella, puliti e coerenti, ci sei. Se non ci sono, o sono incoerenti, sei fuori.
Crawling della pagina e recupero del contenuto rilevante. L’LLM accede al contenuto della tua scheda prodotto, lo spezza in frammenti e recupera solo i pezzi che rispondono alla domanda dell’utente. Non legge la pagina dall’alto in basso come farebbe una persona: cerca il frammento che contiene la risposta. Quindi conta che ogni pezzo di contenuto sia chiaro e autosufficiente, non che la pagina sia bella nel complesso.
Conoscenza acquisita in addestramento. Se il tuo prodotto o il tuo brand erano presenti nei dati con cui il modello è stato addestrato, il modello “li sa” già. Questo premia i brand con presenza diffusa e consolidata — ed è anche il motivo per cui la notorietà di marca conta più che mai, un tema a sé che abbiamo trattato altrove.
Tre vie diverse, una conclusione comune: in tutti e tre i casi vince il dato strutturato, chiaro e coerente. L’indice strutturato lo richiede per definizione. Il crawling recupera meglio i frammenti ordinati e autosufficienti. E persino il training tende a “imparare” meglio le informazioni che ricorrono in forma pulita e ripetuta. Non esiste una scorciatoia che aggiri questo: o i tuoi dati sono leggibili come schema, o lavori in salita.
Cosa serve nella scheda prodotto
Da qui in avanti è operativo. Due fronti: gli attributi strutturati e la descrizione.
Attributi strutturati: la tabella che l’LLM legge
Un LLM ragiona per attributi. Quando un utente chiede “scarpe da trail leggere, sotto i 120 euro, per terreno fangoso”, il modello scompone la richiesta in campi — tipologia, peso, prezzo, contesto d’uso — e cerca prodotti che li soddisfano. Se la tua scheda espone quei campi come dati strutturati (attributo: valore), il modello li legge e ti include. Se quelle informazioni sono annegate in un paragrafo discorsivo, o non ci sono, il modello non può usarle con certezza.
Perché questo funzioni servono due condizioni.
Normalizzazione. Lo stesso attributo, scritto sempre allo stesso modo, su tutto il catalogo. Se il peso è “280g” su un prodotto, “0,28 kg” su un altro e assente sul terzo, il modello non può confrontarli e il confronto (“qual è la più leggera tra queste tre”) è proprio ciò che gli utenti chiedono di più. Un catalogo coerente è un catalogo confrontabile.
Arricchimento. Molti attributi che servono all’LLM non arrivano dal fornitore. La scheda tecnica ti dà materiale, peso, dimensioni, ma non “adatto a terreni fangosi”, “ideale per principianti”, “da regalo”. Questi attributi vanno generati a partire dal prodotto e scritti in modo strutturato. Su pochi prodotti puoi farlo a mano. Su migliaia di SKU non è sostenibile: serve un processo sistematico.
È esattamente ciò che fa il modulo Enrichment di Seken AI: genera gli attributi mancanti e normalizza quelli esistenti, poi li scrive direttamente nel database del CMS come attributi prodotto veri. Da lì decidi tu, con un flag, quali rendere visibili anche a front end e quali tenere solo come dato strutturato per ricerca e AI. In entrambi i casi il dato esiste, è nella piattaforma, ed è leggibile dai sistemi che interrogano il catalogo non resta chiuso in un tool separato che l’LLM non vede.
La descrizione: scrivila come una risposta
Gli attributi strutturati coprono il “cosa”. La descrizione copre il “perché” e il “per chi” ed è qui che la maggior parte dei cataloghi spreca l’occasione, riempiendo lo spazio di aggettivi invece che di risposte.
Il principio è semplice: scrivi la descrizione in modo che risponda alle domande che un cliente farebbe davvero. Non “comfort impareggiabile e stile senza tempo”, ma “il plantare ammortizzato la rende adatta a chi corre su asfalto per lunghe distanze”. Un utente — e l’LLM che ragiona per lui — non cerca aggettivi: cerca la risposta a una domanda implicita. Per chi è? Quando si usa? Cosa la distingue? Regge la pioggia?
Scrivere così significa pensare alle domande reali prima di scrivere. Quali dubbi ha chi compra questo prodotto? Quali confronti fa? La descrizione che risponde a quelle domande è quella che l’LLM recupera quando un utente le pone, perché contiene già, in chiaro, il frammento che serve come risposta.
Questo non vuol dire infilare un blocco FAQ in ogni scheda: nella pagina prodotto sarebbe forzato e spesso impraticabile. Vuol dire scrivere la descrizione con la stessa logica di una FAQ — partendo dalle domande, non dalle caratteristiche.
Questo è il minimo per esistere. Non il massimo per vincere
Mettiamo le cose in proporzione, perché è facile sopravvalutare questo lavoro o sottovalutarlo.
È il minimo per esistere: senza attributi strutturati, coerenti e arricchiti, e senza descrizioni che rispondono a domande reali, la tua scheda prodotto è poco più che invisibile per un LLM, non perché sia fatta male per gli umani, ma perché non parla la lingua con cui la macchina cerca. È un lavoro di base, non un vantaggio competitivo: i tuoi concorrenti possono farlo uguale, e molti lo stanno già facendo. Quando tutti hanno schede leggibili, l’LLM sceglie in base ad altro e lì torna a contare chi sei, cioè il brand.
Ma è anche un minimo non negoziabile. Senza, non sei nemmeno nella stanza dove si gioca la partita. Le tre vie con cui un LLM trova i prodotti — indice strutturato, crawling, training — premiano tutte i dati puliti e penalizzano il disordine. Non c’è un’AI così intelligente da indovinare cosa intendevi: c’è solo il dato che hai scritto, o che non hai scritto.
E c’è una ragione pratica per farlo adesso e non “quando l’agentic commerce sarà maturo”: lo stesso lavoro che ti rende leggibile dagli LLM ti rende già leggibile dalla ricerca interna del tuo sito, dalle AI Overviews di Google, dai sistemi di raccomandazione. Non stai ottimizzando per uno scenario futuro: stai sistemando dati che già oggi vengono interrogati da più sistemi di quanti pensi.
Lo strumento per farlo a scala — generare gli attributi mancanti, normalizzare quelli esistenti, scriverli dove i sistemi li leggono — è l’arricchimento del catalogo. Il resto, dalla notorietà di marca in giù, viene dopo: ma viene dopo, non al posto. Sul perché il brand resti la difesa più solida quando tutti avranno schede ottimizzate, ne abbiamo parlato in L’unica salvezza è il brand.